“内存墙依旧存在,甚至情况或许还在进一步恶化。”美光HBM设计架构方向专家拉古·斯里拉马内尼(Ragu Sriramaneni)于当地时间23日在美国斯坦福大学举办的半导体学术会议Hot Chips 2026上发表上述观点。 内存墙指负责运算的芯片性能飞速提升,但负责传输数据的内存跟不上运算速度,由此产生的性能瓶颈。进入人工智能时代后,这一瓶颈非但没有缓解,反而愈发严重。 斯里拉马内尼表示,AI芯片的运算性能每两年约提升3倍,但承担数据供给的HBM(高带宽内存)同期性能提升还不到2倍。即便搭载运算能力再强的芯片,如果数据传输通道狭窄,最终性能也会被通道速度所束缚。他预判:“打破运算单元与内存之间的边界,全新架构设计,将会是翻越内存墙的一条路径。” 斯里拉马内尼以一款将2颗GPU与8颗12层HBM4集成在一起的最新封装产品举例,该封装整体芯片面积当中,内存占比约90%。也就是说,内存占用的芯片面积,是负责运算的GPU的8倍以上。他称:“HBM体积还不及一枚邮票,却需要设计、工艺、封装技术全部完美匹配,是难度最高的产品。” 内存占用面积过大,也带来供给端的压力。要生产同等容量产品,HBM消耗的硅片晶圆数量约为普通DDR5内存的3倍。这意味着同一工厂,HBM的产出数量会被大幅压缩。斯里拉马内尼解释:“技术代际迭代,该差距还在持续拉大。速度提升、芯片尺寸变大、堆叠层数增加,都会同步推高所需芯片面积。” 散热问题也越来越成为发展阻碍。他补充,随着数据交互速率不断提高,散热已经成为设计阶段需要优先考量的约束条件。HBM为多层DRAM堆叠结构,发热最严重的底层产生的热量,需要穿透全部堆叠层,传导至带有散热装置的顶层。而DRAM一旦温度过高,就极易出现故障。他表示行业现已进入先测算散热,再搭建芯片架构的阶段,液冷散热、芯片超薄贴合等技术正成为主流解决方案。 上述各类难题,都体现在美光近期开启量产的第六代产品HBM4之上。HBM将数据通路与存储单元相较上一代扩充一倍,大幅提升单次数据处理量,单颗Cube带宽可达每秒2.8TB。美光正将该产品供应给英伟达下一代AI芯片Vera Rubin。
资讯快播:AI大模型价格战升级,中小企业迎来应用红利期
近期,国内人工智能大模型领域掀起新一轮价格调整浪潮。多家头部厂商相继宣布下调大模型API调用价格,部分模型推理成本较年初下降超过八成。这一轮调价被业内视为“以价换量”的关键举措,也让此前因成本高昂而犹豫的中小企业看到了规模化接入大模型能力的现实可能。资讯快播梳理发现,价格战背后既有算力效率提升的支撑,也有厂商抢占开发者生态的战略考量,市场格局正在从“拼参数”转向“拼落地”。
从具体动作看,降价覆盖了通用对话、代码生成、长文本处理等多个主流场景。部分厂商还同步推出了免费额度、阶梯计费和批量推理优惠,进一步降低了试用门槛。对中小企业而言,过去动辄数万元的月度调用预算,如今可能压缩至数千元甚至更低。资讯快播注意到,已经有电商客服、内容审核、教育培训等领域的创业团队开始批量迁移至低价模型,用节省下来的预算反哺产品迭代和场景打磨,形成“降本—试错—扩量”的正向循环。
不过,价格下行并不意味着选择变得简单。资讯快播在采访中了解到,不同模型在中文理解、逻辑推理、多轮对话稳定性上仍存在明显差异,低价模型未必适合所有任务。此外,数据安全、服务可用性和合规风险依然是企业采购时的核心关切。有技术负责人提醒,盲目追求低价可能导致后期迁移成本和运维成本上升,建议企业先以小规模场景验证效果,再逐步扩大调用量,同时关注厂商的SLA承诺与数据隔离能力。
从行业趋势看,大模型价格战正在加速AI能力从“稀缺资源”向“基础设施”演变。资讯快播观察认为,随着推理成本持续下探,未来一年内将有更多垂直行业应用迎来爆发,尤其是在智能客服、营销文案、知识库问答等高频场景。但竞争焦点也会从单纯的价格比拼,转向模型效果、工程工具链和行业解决方案的综合较量。对中小企业来说,当下正是低成本试水AI的好窗口,但更需要理性评估自身业务需求,避免为“低价”而低价,真正把技术红利转化为经营效率。













